7483798140

19

Wprowadzenie

decyzji. Przedstawiono i scharakteryzowano etapy projektów symulacyjnych oraz zastosowanie i kryteria wyboru narzędzi informatycznych do modelowania i symulacji. Wszystkie opisane typy modelowania zilustrowano przykładami praktycznymi, pochodzącymi z rzeczywistych przedsiębiorstw przemysłowych, oraz charakterystyką problemu, dla którego rozwiązania budowane były modele. Rozdział kończy się porównaniem prezentowanych metod pod względem wybrany ch kry teriów oraz zestawieniem danych wejściowych i wyjściowych przedstawionych typów modeli.

W rozdziale 4 opisano zagadnienie analizy i oceny ryzyka w kontekście zapewnienia stabilności systemów produkcyjnych. Porównano proponowane w literaturze metody ilościowe oraz scharakteryzowano metodę FMEA (ang. Failure Modę and Effects Analysis). Zaprezentowano własne metody analizy i oceny ryzyka dla systemów produkcyjnych o różnym typie struktury niezawodnościowej (szeregowej, równoległej i mieszanej) oraz budowę współczynników wagowych, które uniezależniają wielkość wpływu czynników ryzyka na system od poziomu organizacji w przedsiębiorstwie. Zarówno porównanie metod ilościowych, jak i proponowane metody niezawodnościowe oraz konstrukcja współczy nnika wagowego były już prezentowane w pracy doktorskiej autorki [41], Jednak - ponieważ zagadnienie to było rozwijane w publikacjach naukowych, a analiza i ocena ryzyka w systemie produkcyjny m jest warunkiem niezbędnym do zachowania przez system stabilności - zdecydowano się na ich ponownie przedstawienie w niniejszej monografii. W ostatniej części rozdziału zamieszczono przykłady praktyczne, pokazujące zastosowanie metod oceny ryzyka w analizie, i ocenę stabilności systemu produkcyjnego. Do wyznaczania wielkości wpływu czynników ryzyka na system produkcyjny w przykładach wykorzystano modele symulacyjne.

W rozdziale 5 ukazano możliwość zastosowania sztucznych sieci neuronowych (SSN) w sterowaniu systemami produkcyjny mi. Zawiera on podstawową wiedzę na temat SSN, ich architektury' i algorytmów uczenia. Nie analizowano w nim podstaw teoretycznych, a jedynie podstawowe cechy i właściwości SNN w kontekście modelowania procesów produkcyjnych. Możliwość wykorzystania modeli SSN pokazano na przykładzie systemu wydobywczego, będącego z natury⁷ procesem niestabilnym, oraz systemu produkcji wiązek elektrycznych. Dla tych przy kładów zbudowano modele SSN, za pomocą których możliwe jest sterowanie wartościami parametrów⁷ wejściowych procesów, tak aby procesy pozostawały stabilne, czyli aby wartość wyjścia z danego procesu pozostawała w ustalonym przedziale wartości.

W rozdziale 6 zawarto koncepcję połączenia modeli symulacyjnych i modeli SSN. Proponowany model hybry dowy łączy⁷ model symulacyjny z modelem SSN przez bazę wiedzy eksperckiej i wnioskowanie rozmyte. Ze względu na odmienny charakter, budowę, rodzaj wykorzystywanych dany ch i inne cechy, fuzja obydwu typów modeli może się odbyć jedynie dzięki bazie wiedzy eksperckiej. Zastosowane reguły wnioskowania rozmytego umożliwiają wyciąganie wniosków na podstawie reguł oparty ch na wartościach lingwistycznych. Proponowaną koncepcję fuzji obydwu typów modeli